As abordagens de reconhecimento de face atuais possuem diversos desafios. Entre tais desafios, destaca-se a dificuldade na coleta de amostras de face. Quanto menor a quantidade de amostras de face por pessoa, menor o esforço e o custo para coletá-las, armazená-las e processá-las. Diversas abordagens em reconhecimento facial dependem de um grande conjunto de treinamento. Se nesse conjunto existir apenas uma amostra por pessoa, a grande maioria das abordagens terão grande queda no desempenho, ou até mesmo não conseguirão desempenhar sua função de reconhecimento. Isso é conhecido na literatura como problema Single Sample Per Person (SSPP), que é um grande desafio na Visão Computacional. Tal problema é considerado complexo e desafiador para a maioria dos algoritmos de reconhecimento de face. Diversas abordagens foram desenvolvidas para atacar esse problema. Como há apenas uma amostra a ser treinada, isso torna as variações faciais, como pose, iluminação e disfarce, difíceis de serem previstas. Sendo assim, este trabalho realizou uma revisão sistemática da literatura, em que identificou o estado da arte sobre o tema, mapeou e fez escolhas criteriosas de métodos que foram utilizados para o desenvolvimento do método proposto. Também foram descritas diversas bases de dados, voltadas para a classificação de imagens de face. Por fim, foi proposta uma nova abordagem em reconhecimento de face, atacando o problema SSPP. A abordagem proposta apresentou resultados bastante animadores em comparação com as abordagens do estado da arte, acima de 90% de acurácia, sendo aplicada diversas técnicas como Aumento de Dados em conjunto com a Rede Neural Convolucional (Convolutional Neural Network– CNNs) pré-treinada FaceNet, além de técnicas de ajustes.